ScanFocus

本文提出ScanFocus框架，针对现有Transformer方法因全局下采样抑制高频时间线索、导致边界定位模糊的问题，采用由粗到细的解耦范式。首先通过全局扫描生成粗略时空管，随后在局部窗口内利用语义引导的时间聚合器显式建模帧间依赖，精确回归起止时间戳。实验显示在HC-STVGv1上vIoU@0.3达67.5%，显著超越TA-STVG等基线。需注意细化阶段窗口大小需权衡精度与噪声，且依赖上游预训练质量。